本文转载自微信公众号「Java极客技术」，作者鸭血粉丝 。转载本文请联系Java极客技术公众号。
最近，阿粉的一个朋友出去面试，回来跟阿粉抱怨，面试官不按套路出牌，直接打乱了他的节奏。
事情是这样的，前面面试问了几个 Java 的相关问题，我朋友回答还不错，接下来面试官就问了一句：看来 Java 基础还不错，Java HashMap 你熟悉吧?
我朋友回答。工作经常用，有看过源码。
我朋友本来想着，你随便来吧，这个问题之前已经准备好了，随便问吧。
谁知道，面试官下面一句：
「那好的，我们来聊聊 Redis 字典吧。」
直接将他整蒙逼。
阿粉的朋友由于没怎么研究过 Redis 字典，所以这题就直接回答不知道了。
「当然，如果面试中真不知道，那就回答不了解，直接下一题，不要乱答。」
不过这一题，阿粉觉得还是很可惜，其实 Redis 字典基本原理与 HashMap 差不多，那我们其实可以套用这其中的原理，不求回答满分，但是怎么也可以得个及格分吧~
面试过程真要碰到这个问题，我们可以从下面三个方面回答。
- 数据结构
- 元素增加过程
- 扩容
字典数据结构
说起字典，也许大家比较陌生，但是我们都知道 Redis 本身提供 KV 查询的方式，这个 KV 就是其实通过底层就是通过字典保存。
另外，Redis 支持多种数据类型，其中一种类型为 Hash 键，也可以用来存储 KV 数据。
阿粉刚开始了解的这个数据结构的时候，本来以为这个就是使用字典实现。其实并不是这样的，初始创建 Hash 键，默认使用另外一种数据结构-「ZIPLIST」(压缩列表)，以此节省内存空间。
不过一旦以下任何条件被满足，Hash 键的数据结构将会变为字典，加快查询速度。
- 哈希表中某个键或某个值的长度大于 server.hash_max_ziplist_value (默认值为 64 )。
- 压缩列表中的节点数量大于 server.hash_max_ziplist_entries (默认值为 512 )。
Redis 字典新建时默认将会创建一个哈希表数组，保存两个哈希表。
其中 ht[0] 哈希表在第一次往字典中添加键值时分配内存空间，而另一个 ht[1] 将会在下文中扩容/缩容才会进行空间分配。
字典中哈希表其实就等同于Java HashMap，我们知道 Java 采用数组加链表/红黑树的实现方式，其实哈希表也是使用类似的数据结构。
哈希表结构如下所示：
其中 table 属性是个数组， 其中数组元素保存一种 dictEntry 的结构，这个结构完全类似与 HashMap 中的 Entry 类型，这个结构存储一个 KV 键值对。
同时，为了解决 hash 碰撞的问题，dictEntry 存在一个 next 指针，指向下一个dictEntry ，这样就形成 dictEntry 的链表。
现在，我们回头对比 Java 中 HashMap，可以发现两者数据结构基本一致。
只不过 HashMap 为了解决链表过长问题导致查询变慢，JDK1.8 时在链表元素过多时采用红黑树的数据结构。
下面我们开始添加新元素，了解这其中的原理。
元素增加过程
当我们往一个新字典中添加元素，默认将会为字典中 ht[0] 哈希表分配空间，默认情况下哈希表 table 数组大小为 4(「DICT_HT_INITIAL_SIZE」)。
新添加元素的键值将会经过哈希算法，确定哈希表数组的位置，然后添加到相应的位置,如图所示：
继续增加元素，此时如果两个不同键经过哈希算法产生相同的哈希值，这样就发生了哈希碰撞。
假设现在我们哈希表中拥有是三个元素，：
我们再增加一个新元素，如果此时刚好在数组 3 号位置上发生碰撞，此时 Redis 将会采用链表的方式解决哈希碰撞。
「注意，新元素将会放在链表头结点，这么做目的是因为新增加的元素，很大概率上会被再次访问，放在头结点增加访问速度。」
这里我们在对比一下元素添加过程，可以发现 Redis 流程其实与 JDK 1.7 版本的 HashMap 类似。
当我们元素增加越来越多时，哈希碰撞情况将会越来越频繁，这就会导致链表长度过长，极端情况下 O(1) 查询效率退化成 O(N) 的查询效率。
为此，字典必须进行扩容，这样就会使触发字典 rehash 操作。
扩容
当 Redis 进行 Rehash 扩容操作，首先将会为字典没有用到 ht[1] 哈希表分配更大空间。
❝画外音：ht[1] 哈希表大小为第一个大于等于 ht[0].used*2 的 2^2(2的n 次方幂)❞
然后再将 ht[0] 中所有键值对都迁移到 ht[1] 中。
简单起见，忽略指向空节点
当节点全部迁移完毕，将会释放 ht[0]占用空间,并将 ht[1] 设置为 ht[0]。
扩容 操作需要将 ht[0]所有键值对都 Rehash 到 ht[1] 中，如果键值过多，假设存在十亿个键值对，这样一次性的迁移，势必导致服务器会在一段时间内停止服务。
另外如果每次 rehash 都会阻塞当前操作，这样对于客户端处理非常不友好。
为了避免 rehash对服务器的影响，Redis 采用渐进式的迁移方式，慢慢将数据迁移分散到多个操作步骤。
这个操作依赖字典中一个属性 rehashidx,这是一个索引位置计数器，记录下一个哈希表 table 数组上元素，默认情况为值为 「-1」。
假设此时扩容前字典如图所示：
当开始 rehash 操作，rehashidx将会被设置为 「0」 。
这个期间每次收到增加，删除，查找，更新命令，除了这些命令将会被执行以外，还会顺带将ht[0]哈希表在 rehashidx 位置的元素 rehash 到 ht[1] 中。
假设此时收到一个 「K3」 键的查询操作，Redis 首先执行查询操作，接着 Redis 将会为 ht[0]哈希表上table 数组第 rehashidx索引上所有节点都迁移到 ht[1]中。
当操作完成之后，再将 rehashidx 属性值加 1。
最后当所有键值对都 rehash 到 ht[1]中时，rehashidx将会被重新设置为 -1。
虽然渐进式的 rehash 操作减少了工作量，但是却带来键值操作的复杂度。
这是因为在渐进式 rehash 操作期间，Redis 无法明确知道键到底在 ht[0]中，还是在 ht[1] 中,所以这个时候 Redis 不得不查找两个哈希表。
以查找为例，Redis 首先查询 ht[0] ，如果没找到将会继续查找 ht[1],除了查询以外，更新，删除也会执行如上的操作。
添加操作其实就没这么麻烦，因为ht[0]不会在使用，那就统一都添加到 ht[1] 中就好了。
最后我们再对比一下 Java HashMap 扩容操作，它是一个一次性操作，每次扩容需要将所有键值对都迁移到新的数组中，所以如果数据量很大，消耗时间就会久。
总结
Redis 字典使用哈希表作为底层实现，每个字典包含两个哈希表，一个平时使用，一个仅在 rehash 操作中使用。
哈希表总的来说，跟 Java HashMap 真的很类似，底层实现也是一个数组加链表数据结构。
最后，当对哈希表进行扩容操作时间，将会采用渐进性 rehash 操作，慢慢将所有键值对迁移到新哈希表中。
其实了解 Redis 字典的其中的原理，再去比较 Java HashMap ，其实可以发现这两者有如此多的相似点。
所以学习这类知识时，不要仅仅去背，我们要了解其底层原理，知其然知其所以然。
帮助资料https://redisbook.readthedocs.io/en/latest/internal-datastruct/dict.html
